improve: Ollama prompt structured into 4 sections with full recall/complaint detail, num_predict 250→700

main.py

@@ -183,6 +183,8 @@ async def fetch(
                 "bid":                     bid or "—",
                 "vpic":                    vpic,
                 "risk":                    risk,
+                "recalls":                 recalls,
+                "complaints":              complaints,
                 "critical_recall_count":   extended["critical_recall_count"],
                 "engine_complaints":       extended["engine_complaints"],
                 "transmission_complaints": extended["transmission_complaints"],

src/ai/ollama_analyzer.py

@@ -4,42 +4,99 @@ OLLAMA_URL     = "http://localhost:11434/api/generate"
 PRIMARY_MODEL  = "DealAnalyzer"
 FALLBACK_MODEL = "qwen2.5:14b"
 
-_OLLAMA_OPTIONS = {"temperature": 0.3, "num_predict": 250}
+_OLLAMA_OPTIONS = {"temperature": 0.3, "num_predict": 700}
 
 
 def _build_prompt(data: dict) -> str:
-    # Sanitize string values to prevent prompt injection via control sequences
+    def s(val, maxlen=200) -> str:
-    def s(val) -> str:
         if val is None:
             return "N/A"
-        cleaned = str(val).replace("\n", " ").replace("\r", " ").strip()
+        return str(val).replace("\n", " ").replace("\r", " ").strip()[:maxlen]
-        return cleaned[:200]  # cap length per field
 
-    vpic   = data.get("vpic", {})
+    vpic      = data.get("vpic", {})
-    risk   = data.get("risk", {})
+    risk      = data.get("risk", {})
-    alerts = data.get("alerts", [])
+    alerts    = data.get("alerts", [])
+    recalls   = data.get("recalls", [])
+    complaints = data.get("complaints", [])
 
-    return (
+    # Top recall names (component + campaign)
-        "Eres un experto en evaluación de vehículos usados en subastas americanas (Copart, IAAI).\n"
+    recall_lines = []
-        "Analiza estos datos y genera un resumen ejecutivo en español de máximo 150 palabras.\n"
+    for r in recalls[:8]:
-        "Sé directo y específico. Termina con una recomendación clara: COMPRAR, INVESTIGAR MÁS, o EVITAR.\n\n"
+        comp     = s(r.get("Component") or r.get("component") or "", 80)
-        "DATOS DEL VEHÍCULO:\n"
+        campaign = s(r.get("NHTSACampaignNumber") or r.get("campaignNumber") or "", 20)
-        f"- VIN: {s(data.get('vin'))}\n"
+        summary  = s(r.get("Summary") or r.get("summary") or "", 120)
-        f"- Vehículo: {s(vpic.get('ModelYear'))} {s(vpic.get('Make'))} {s(vpic.get('Model'))} {s(vpic.get('Trim'))}\n"
+        if comp or summary:
-        f"- Odómetro: {s(data.get('odometer'))} millas\n"
+            recall_lines.append(f"  • [{campaign}] {comp}: {summary}")
-        f"- Daño primario: {s(data.get('primary_damage'))}\n"
+    recalls_text = "\n".join(recall_lines) if recall_lines else "  Ninguno"
-        f"- Daño secundario: {s(data.get('secondary_damage'))}\n"
+
-        f"- Tipo de título: {s(data.get('title'))}\n"
+    # Complaint component breakdown (top 6)
-        f"- Bid actual: ${s(data.get('bid'))}\n"
+    from collections import Counter
-        f"- Recalls activos NHTSA: {s(risk.get('recall_count'))}\n"
+    comp_counter: Counter = Counter()
-        f"- Recalls críticos: {s(data.get('critical_recall_count'))}\n"
+    for c in complaints:
-        f"- Total quejas propietarios: {s(risk.get('complaint_count'))}\n"
+        raw = (c.get("components") or c.get("Component") or c.get("component") or "")
-        f"- Quejas de motor: {s(data.get('engine_complaints'))}\n"
+        for part in raw.split(","):
-        f"- Quejas de transmisión: {s(data.get('transmission_complaints'))}\n"
+            part = part.strip()
-        f"- Score de riesgo calculado: {s(risk.get('score'))}/100\n"
+            if part:
-        f"- Alertas detectadas: {s('; '.join(alerts) if alerts else 'Ninguna')}\n\n"
+                comp_counter[part[:50]] += 1
-        "RESUMEN EJECUTIVO:\n"
+    complaint_breakdown = "\n".join(
-    )
+        f"  • {comp}: {cnt} quejas"
+        for comp, cnt in comp_counter.most_common(6)
+    ) if comp_counter else "  Sin datos de componentes"
+
+    critical_count = data.get("critical_recall_count", 0)
+    engine_q       = data.get("engine_complaints", 0)
+    trans_q        = data.get("transmission_complaints", 0)
+    alerts_text    = "; ".join(alerts) if alerts else "Ninguna"
+
+    vehicle = f"{s(vpic.get('ModelYear'))} {s(vpic.get('Make'))} {s(vpic.get('Model'))} {s(vpic.get('Trim'))}".strip()
+
+    return f"""Eres un experto en evaluación de vehículos usados en subastas americanas (Copart, IAAI).
+Tienes amplio conocimiento sobre problemas comunes por marca/modelo, qué tan costosas son las reparaciones,
+y cómo interpretar los datos de NHTSA para tomar decisiones de compra.
+
+Analiza los siguientes datos y genera un análisis estructurado en español.
+Sé directo, técnico y específico. Explica el SIGNIFICADO real de cada dato, no solo lo repitas.
+
+═══════════════════════════════════════════
+DATOS DEL VEHÍCULO
+═══════════════════════════════════════════
+Vehículo : {vehicle}
+VIN       : {s(data.get('vin'))}
+Odómetro  : {s(data.get('odometer'))} millas
+Daño prim.: {s(data.get('primary_damage'))}
+Daño sec. : {s(data.get('secondary_damage'))}
+Título    : {s(data.get('title'))}
+Bid actual: ${s(data.get('bid'))}
+Score riesgo: {risk.get('score', 'N/A')}/100
+
+RECALLS NHTSA ({risk.get('recall_count', 0)} total, {critical_count} críticos de motor/transmisión/frenos):
+{recalls_text}
+
+QUEJAS DE PROPIETARIOS ({risk.get('complaint_count', 0)} total):
+{complaint_breakdown}
+  → Quejas de motor: {engine_q}
+  → Quejas de transmisión: {trans_q}
+
+ALERTAS DETECTADAS: {alerts_text}
+═══════════════════════════════════════════
+
+Genera el análisis con EXACTAMENTE estas 4 secciones:
+
+**CONDICIÓN DEL VEHÍCULO**
+Explica qué significa el daño primario/secundario en términos prácticos: qué componentes pueden estar afectados, qué tan costosa puede ser la reparación, si el tipo de título implica restricciones de registro o seguro.
+
+**ANÁLISIS DE RECALLS Y QUEJAS**
+Explica los recalls más importantes: qué falla concreta describen, si afectan seguridad crítica (motor, frenos, dirección, airbag) o son administrativos (etiquetas, software menor). Interpreta el patrón de quejas: si hay muchas quejas de motor significa un problema sistémico del modelo, no casos aislados. Menciona si este volumen de quejas es alto o normal para este modelo/año.
+
+**FACTORES FINANCIEROS**
+Evalúa si el bid tiene sentido dado el daño, el odómetro, el título y los problemas conocidos. Estima el rango de reparación si aplica. Menciona si el modelo tiene piezas costosas o escasas.
+
+**RECOMENDACIÓN FINAL**
+Termina con exactamente una de estas tres palabras en mayúsculas: COMPRAR, INVESTIGAR MÁS, o EVITAR.
+Justifica en 2 líneas por qué.
+
+ANÁLISIS:
+"""
 
 
 async def analyze_vehicle(data: dict) -> str | None: